Python | OpenCV 二值化與閾值處理

📚 前言

在前面我們學會了 基本濾波與模糊效果。
這一篇要進一步學習 二值化與閾值處理，這些操作能將影像轉換成黑白二值影像，方便後續的物件偵測、邊緣分析或特徵提取。

🔍 什麼是二值化？

二值化（Binarization，又稱閾值二進制）是一種簡單的影像分割方法。
它的原理是設定一個「閾值」（臨界值），並依照像素的灰階值進行轉換：

當像素灰階值 大於或等於閾值 → 設為白色 (255)。
當像素灰階值 小於閾值 → 設為黑色 (0)。

經過二值化處理後，影像只剩下黑與白兩種顏色，能大幅簡化影像內容，凸顯出結構與形狀。

📌 為什麼要用二值化？

簡化影像：去除多餘的色彩資訊，保留最重要的形狀。
常見用途：輪廓偵測、邊緣檢測、OCR（文字辨識）、影像分割。
前處理步驟：許多影像分析流程會先進行二值化，再做後續計算。

🎨 測試圖片怎麼來？

如果你手邊沒有現成的圖片，也可以使用線上的「梯度生成器」工具快速製作一張灰階或彩色漸層圖，當作範例測試用：

圖：梯度生成器介面示例

工具名稱：梯度生成器 Mdigi Gradient Generator
功能：可自訂圖片尺寸、漸層角度與顏色，並下載成 JPEG 或 SVG 格式。
操作方式：選擇三種顏色（例如白、灰、黑），設定角度為 90°，即可產生垂直漸層圖。

範例圖片：

圖：範例漸層圖片

這類漸層圖片非常適合用來觀察二值化的效果，尤其在不同閾值下的轉換結果。

📌 threshold() 方法原型

在 OpenCV 中，最常用的二值化方法是 cv2.threshold()：

1	retval, dst = cv2.threshold(src, thresh, maxval, type)

參數說明

src：來源影像，通常是灰階圖像。
thresh：閾值（臨界值），用來判斷像素是否要轉換。
maxval：當條件成立時要設定的最大值（通常是 255）。
type：閾值模式（ThresholdTypes），決定轉換方式，例如 THRESH_BINARY、THRESH_TRUNC 等。

回傳值

retval：實際使用的閾值（在 Otsu 或 Triangle 模式下會自動計算）。
dst：處理後的影像。

📊 閾值模式比較表

模式	說明	行為公式
THRESH_BINARY	大於閾值 → 設為 maxval；否則 → 0	dst(x,y) = { maxval if src(x,y) > thresh, else 0 }
THRESH_BINARY_INV	大於閾值 → 0；否則 → 設為 maxval	dst(x,y) = { 0 if src(x,y) > thresh, else maxval }
THRESH_TRUNC	大於閾值 → 設為閾值；否則保持原值	dst(x,y) = { thresh if src(x,y) > thresh, else src(x,y) }
THRESH_TOZERO	大於閾值 → 保持原值；否則 → 0	dst(x,y) = { src(x,y) if src(x,y) > thresh, else 0 }
THRESH_TOZERO_INV	大於閾值 → 0；否則保持原值	dst(x,y) = { 0 if src(x,y) > thresh, else src(x,y) }
THRESH_OTSU	使用 Otsu 演算法自動計算最佳閾值	常與 `THRESH_BINARY` 搭配
THRESH_TRIANGLE	使用 Triangle 演算法自動計算最佳閾值	適合直方圖單峰影像

參考：ThresholdTypes

💻 範例程式：基本閾值處理

import cv2

# 轉換前，先將圖片轉換成灰階色彩
img = cv2.imread("gradient.png", cv2.IMREAD_GRAYSCALE)

# 基本閾值處理
ret, thresh = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

cv2.imshow("Original", img)
cv2.imshow("Threshold", thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()

圖：程式碼執行結果 — 基本閾值處理

💻 範例程式：反向閾值處理

import cv2

# 轉換前，先將圖片轉換成灰階色彩
img = cv2.imread("gradient.png", cv2.IMREAD_GRAYSCALE)

# 反向閾值處理
ret, thresh_inv = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)

cv2.imshow("Original", img)
cv2.imshow("Threshold Inverse", thresh_inv)
cv2.waitKey(0)
cv2.destroyAllWindows()

圖：程式碼執行結果 — 反向閾值處理

💻 範例程式：多種閾值模式

import cv2

# 轉換前，先將圖片轉換成灰階色彩
img = cv2.imread("gradient.png", cv2.IMREAD_GRAYSCALE)

# 閾值模式示例
_, thresh_binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
_, thresh_binary_inv = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
_, thresh_trunc = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
_, thresh_tozero = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
_, thresh_tozero_inv = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)

cv2.imshow("Binary", thresh_binary)
cv2.imshow("Binary Inv", thresh_binary_inv)
cv2.imshow("Trunc", thresh_trunc)
cv2.imshow("ToZero", thresh_tozero)
cv2.imshow("ToZero Inv", thresh_tozero_inv)
cv2.waitKey(0)
cv2.destroyAllWindows()

圖：程式碼執行結果 — 多種閾值模式

🔍 自適應二值化 (adaptiveThreshold)

在使用 threshold() 方法時，需要手動設定固定的閾值，這對於內容單純的影像很合適。但如果影像內容複雜、光線不均，每個區域的最佳閾值可能不同，這時就可以使用 adaptiveThreshold() 進行自適應二值化。

方法原型

1	dst = cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

參數說明

src：來源影像，通常是灰階圖像。
maxValue：最大灰度值，通常設定為 255。
adaptiveMethod：自適應閾值計算方法。
thresholdType：二值化轉換方式，可參考前面 threshold() 的模式表。
blockSize：計算區域大小，必須為奇數（例如 11）。
C：偏移量，用來微調結果，常用值為 2。

自適應方法比較

方法	說明
cv2.ADAPTIVE_THRESH_MEAN_C	使用區域平均值作為閾值。
cv2.ADAPTIVE_THRESH_GAUSSIAN_C	使用區域加權高斯平均值作為閾值。

💻 範例程式：自適應閾值處理 (Adaptive Threshold)

範例圖片：

圖：範例 Sudoku 圖片

import cv2
import numpy as np

# 讀取並轉換成灰階
img = cv2.imread("sudoku.png", cv2.IMREAD_GRAYSCALE)

# Global Thresholding（固定閾值）
_, global_thresh = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

# Adaptive Mean Thresholding
adaptive_mean = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C,
                                      cv2.THRESH_BINARY, 11, 2)

# Adaptive Gaussian Thresholding
adaptive_gaussian = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                          cv2.THRESH_BINARY, 11, 2)

# 顯示四張圖
cv2.imshow("Original Image", img)
cv2.imshow("Global Thresholding (v=127)", global_thresh)
cv2.imshow("Adaptive Mean Thresholding", adaptive_mean)
cv2.imshow("Adaptive Gaussian Thresholding", adaptive_gaussian)

cv2.waitKey(0)
cv2.destroyAllWindows()

圖：圖片來源 — OpenCV 官方文件：Python Thresholding 教學

圖：程式碼執行結果 — 自適應閾值處理

💡 如果要降低圖片的雜訊，可以使用 cv2.medianBlur() 先將圖片模糊化，有模糊化和沒有模糊化的差異。

回顧OpenCV 基本濾波與模糊效果

import cv2
import numpy as np

# 讀取圖片並轉換為灰階
img_gray = cv2.imread("sudoku.png", cv2.IMREAD_GRAYSCALE)

# Step 1：原始影像（灰階）
original = img_gray

# Step 2：模糊化處理（降低雜訊）
blurred = cv2.medianBlur(img_gray, 5)

# Step 3：Adaptive Gaussian Thresholding（未模糊）
adaptive_gaussian_raw = cv2.adaptiveThreshold(img_gray, 255,
                                              cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                              cv2.THRESH_BINARY, 11, 2)

# Step 4：Adaptive Gaussian Thresholding（已模糊）
adaptive_gaussian_blur = cv2.adaptiveThreshold(blurred, 255,
                                               cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                               cv2.THRESH_BINARY, 11, 2)

# 顯示四張圖進行比較
cv2.imshow("Original Image (Grayscale)", original)
cv2.imshow("Blurred Image (Median Blur)", blurred)
cv2.imshow("Adaptive Gaussian Thresholding (Raw)", adaptive_gaussian_raw)
cv2.imshow("Adaptive Gaussian Thresholding (With Blur)", adaptive_gaussian_blur)

cv2.waitKey(0)
cv2.destroyAllWindows()

圖：程式碼執行結果 — 模糊化與未模糊化的差異

圖：靜態比較 — 模糊化與未模糊化的差異

⚠️ 注意事項

閾值選擇：固定閾值可能不適合光線不均的影像，自適應閾值能更靈活。
模式差異：THRESH_BINARY 與 THRESH_BINARY_INV 最常用，其他模式適合特殊需求。
模糊化前處理：在文字或數字影像中，先模糊化能降低雜訊，提升二值化效果。
應用場景：OCR、邊緣檢測、影像分割、特徵提取。
🎯 結語

這一篇我們學會了如何進行 二值化與閾值處理，包含基本閾值、反向閾值、多種閾值模式與自適應閾值，掌握影像黑白化的基礎技巧。這些方法能簡化影像內容，並在物件偵測與特徵分析中扮演重要角色。

在下一篇，我們將進一步學習 圖片的侵蝕與膨脹（形態學操作），探索如何利用形態學方法處理影像結構。

📖 如在學習過程中遇到疑問，或是想了解更多相關主題，建議回顧一下 Python | OpenCV 系列導讀，掌握完整的章節目錄，方便快速找到你需要的內容。

註：以上參考了
OpenCV Tutorials
OpenCV-Python Tutorials
Thresholding
ThresholdTypes

Python | OpenCV 基本濾波與模糊效果

↑
If you enjoy the article, please feel free to donate~ Thx.
若本文對您有幫助，您也願意支持打賞，謝謝您的鼓勵。

本文由J.J. Huang 創作，採用CC BY 3.0 TW協議進行許可。可自由轉載、引用，但需署名作者且註明文章出處。

J.J.'s Blogs

J.J. Huang 2026-01-27 Python OpenCV 03.圖片處理篇：基礎技巧瀏覽次數：次 {{moment(1769475600000).fromNow()}}

Python | OpenCV 二值化與閾值處理

📚 前言

🔍 什麼是二值化？

📌 為什麼要用二值化？

🎨 測試圖片怎麼來？

📌 threshold() 方法原型

參數說明

回傳值

📊 閾值模式比較表

💻 範例程式：基本閾值處理

💻 範例程式：反向閾值處理

💻 範例程式：多種閾值模式

🔍 自適應二值化 (adaptiveThreshold)

方法原型

參數說明

自適應方法比較

💻 範例程式：自適應閾值處理 (Adaptive Threshold)

⚠️ 注意事項

🎯 結語

J.J. Huang 2026-01-27 Python OpenCV 03.圖片處理篇：基礎技巧 瀏覽次數：次 {{moment(1769475600000).fromNow()}}

Python | OpenCV 二值化與閾值處理

📚 前言

🔍 什麼是二值化？

📌 為什麼要用二值化？

🎨 測試圖片怎麼來？

📌 threshold() 方法原型

參數說明

回傳值

📊 閾值模式比較表

💻 範例程式：基本閾值處理

💻 範例程式：反向閾值處理

💻 範例程式：多種閾值模式

🔍 自適應二值化 (adaptiveThreshold)

方法原型

參數說明

自適應方法比較

💻 範例程式：自適應閾值處理 (Adaptive Threshold)

⚠️ 注意事項

🎯 結語

J.J. Huang 2026-01-27 Python OpenCV 03.圖片處理篇：基礎技巧瀏覽次數：次 {{moment(1769475600000).fromNow()}}